柯西种群分布的自适应范围粒子群优化算法

doi:10.11772/j.issn.1001-9081.2014.04.1070

计算机应用 ›› 2014, Vol. 34 ›› Issue (4): 1070-1073.DOI: 10.11772/j.issn.1001-9081.2014.04.1070

柯西种群分布的自适应范围粒子群优化算法

逯少华,张晓伟,鲍承强,李文宝

电子科技大学数学科学学院,成都 611731

收稿日期:2013-10-08 修回日期:2013-12-17 发布日期:2014-04-29 出版日期:2014-04-01
通讯作者: 张晓伟
作者简介:逯少华(1990-),女,宁夏中卫人,主要研究方向:进化计算;
张晓伟(1979-),男,陕西宝鸡人,讲师,博士,主要研究方向:最优化方法、进化计算;
鲍承强(1992-),男,河南信阳人,主要研究方向:进化计算;
李文宝(1993-),女,山西朔州人,主要研究方向:进化计算。

Adaptive range particle swarm optimization with the Cauchy distributed population

LU Shaohua,ZHANG Xiaowei,BAO Chengqiang,LI Wenbao

School of Mathematical Sciences, University of Electronic Science and Technology of China, Chengdu Sichuan 611731, China

Received:2013-10-08 Revised:2013-12-17 Online:2014-04-29 Published:2014-04-01
Contact: ZHANG Xiaowei

摘要/Abstract

摘要：

为了提高粒子群优化算法的求解性能，提出了一种具有柯西种群分布的自适应范围搜索的粒子群优化算法(ARPSO/C)。该算法在种群服从柯西分布的假设下，在每一次迭代中利用个体分布的中位数和尺度参数来自适应地调整种群的搜索范围，从而在局部搜索和全局搜索之间达到了一个很好的平衡。最后的数值实验结果表明：与ARPSO和PSO算法相比，该算法收敛速度得到了显著提高，并且能够有效地克服早熟现象。

Abstract:

In order to improve the performance of the Particle Swarm Optimization (PSO), an adaptive range PSO with the Cauchy distributed population named ARPSO/C was proposed. The algorithm used the median and scale parameters to adjust self-adaptively the search range in population under the suppose of the individuals obeying the Cauchy distribution, thus balanced between local search and global search. The numerical comparison results on the proposed algorithm, ARPSO and PSO show that the presented algorithm has higher convergence speed and can overcome the prematurity.

中图分类号:

TP18
TP301.6

逯少华张晓伟鲍承强李文宝. 柯西种群分布的自适应范围粒子群优化算法[J]. 计算机应用, 2014, 34(4): 1070-1073.

LU Shaohua ZHANG Xiaowei BAO Chengqiang LI Wenbao. Adaptive range particle swarm optimization with the Cauchy distributed population[J]. Journal of Computer Applications, 2014, 34(4): 1070-1073.

参考文献

［1］KENNEDY J, EBERHART R. Particle swarm optimization ［C］// Proceedings of the 4th IEEE International Conference on Neural Networks. Piscataway: IEEE, 1995: 1942-1948.
［2］GARNIER S, GAUTRAIS J, THERAULAZ G. The biological principles of swarm intelligence ［J］. Swarm Intelligence, 2007, 1(1): 3-31.
［3］KITAYAMA S, YAMAZAKI K, ARAKAWA M. Adaptive rangeparticle swarm optimization ［J］. Optimization and Engineering, 2009, 10(4): 575-597.
［4］EBERHART R, SHI Y. Particle swarm optimization: developments, applications and resources ［C］// CEC 2001: Proceedings of the 2001 IEEE Congress on Evolutionary Computation. Piscataway: IEEE, 2001: 81-86.
［5］PARSOPOULOS K, VRAHATIS M. Recent approaches to global optimization problems through particle swarm optimization ［J］. Natural Computing, 2002, 1(2/3): 235-306.

［6］XIE X, ZHANG W, YANG Z. Overview of particle swarm optimization ［J］. Control and Decision, 2003, 18(2): 129-134. (谢晓锋,张文俊,杨之廉.微粒群算法综述［J］.控制与决策,2003,18(2):129-134.)
［7］WANG W, TANG Y, The state of art in particle swarm optimization algorithms ［J］. Journal of Zhejiang University of Technology, 2007, 35(2): 136-141. (王万良,唐宇.微粒群算法的研究现状与展望［J］.浙江工业大学学报,2007,35(2):136-141.)
［8］POLI R, KENNEDY J, BLACKWELL T. Particle swarm optimization: an overview ［J］. Swarm Intelligence, 2007, 1(1): 33-57.
［9］WANG D, WANG J, WANG H. Intelligent optimization methods ［M］. Beijing: Higher Education Press, 2007: 217-258.(汪定伟,王俊伟,王洪峰.智能优化方法［M］.北京:高等教育出版社,2007:217-258.)
［10］WU Q. Cauchy mutation for decision-making variable of Gaussian particle swarm optimization applied to parameters selection of SVM ［J］. Expert Systems with Applications, 2011, 38(5): 4929-4934.
［11］LI X, YAO X. Cooperatively coevolving particle swarms for large scale optimization ［J］. IEEE Transactions on Evolutionary Computation, 2012, 16(2):210-224.
［12］XU Z, ZHANG J, ZHENG Y. Bionics in computational intelligence: theory and method ［M］. Beijing: Science Press, 2005. (徐总本,张讲社,郑亚林.计算智能中的仿生学:理论与方法［M］.北京:科学出版社,2005.)
［13］ABDELBAR A, ABDELSHAHID S, WUNSCH D. Gaussian versus Cauchy membership functions in fuzzy PSO ［C］// Proceedings of the 2007 International Joint Conference on Neural Networks. Piscataway: IEEE, 2007: 2902-2907.
［14］MARIANI V, NECKEL V, GREBOGI R, et al.Cauchy particle swarm optimization with dynamic adaptation applied to inverse heat transfer problem ［C］// SMC 2010: Proceedings of the 2010 IEEE International Conference on Systems Man and Cybernetics. Piscataway: IEEE, 2010: 3730-3734.
［15］WANG H, WANG W, WU Z. Particle swarm optimization with adaptive mutation for multimodal optimization ［J］. Applied Mathematics and Computation, 2013, 221(3): 296-305.
［16］HU M, WU T, WEIR J. An adaptive particle swarm optimization with multiple adaptive methods ［J］. IEEE Transactions on Evolutionary Computation, 2013, 17(5): 705-720.

[1]	吕乐张博瀚荆军昌刘栋. 基于持久性的多目标节点隐藏方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[2]	宫智宇王士同. 面向重尾噪声图像分类的残差网络学习方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[3]	王虎王晓峰李可马云洁. 融合多头自注意力的标签语义嵌入联邦类增量学习方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[4]	丁建立, 黄辉, 曹卫东. 航班链运行状态动态监控方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3941-3948.
[5]	刘晶鑫, 黄雯静, 徐亮胜, 黄冲, 吴建生. 字典学习与样本关联保持结合的无监督特征选择模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3766-3775.
[6]	宋逸飞, 柳毅. 基于数据增强和标签噪声的快速对抗训练方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3798-3807.
[7]	沈嫣然, 温昕, 张瑾昊, 张帅, 曹锐, 高保禄. 轻量级多尺度卷积网络的功能磁共振成像脑龄预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3949-3957.
[8]	张祖篡, 陈学斌, 高瑞, 邹元怀. 基于标签分类的联邦学习客户端选择方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3759-3765.
[9]	蒋权黄文清苟志勇. 基于等变图神经网络的拉格朗日粒子流模拟[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[10]	李岚皓严皓钧周号益孙庆赟李建欣. 基于神经网络的多尺度信息融合时间序列长期预测模型[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[11]	廖炎华鄢元霞潘文林. 基于YOLOv9的交通路口图像的多目标检测算法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[12]	张学飞张丽萍闫盛侯敏赵宇博. 知识图谱与大语言模型协同的个性化学习推荐[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[13]	索晋贤张丽萍闫盛王东奇张雅雯. 可解释的深度知识追踪方法综述[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[14]	陈丹阳张长伦. 多尺度去相关的图卷积网络[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[15]	蒋沛宇王永光任亚亭李硕晨谭火彬. 基于测量不确定度表示指南的目标检测不确定度测量方案[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.

柯西种群分布的自适应范围粒子群优化算法

Adaptive range particle swarm optimization with the Cauchy distributed population

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics